LLM을 활용한 의미 기반 부분 추론

Semantic Partial Grounding via LLMs

추론은 고전적인 계획 수립 과정에서 중요한 단계이지만, 작업의 크기가 증가함에 따라 추론되는 액션과 원자의 수가 기하급수적으로 증가하여 계산 병목 현상을 야기하는 경우가 많습니다. 최근의 부분 추론 기술은 예측 모델을 활용하여 가장 유망한 연산자만을 점진적으로 추론함으로써 이러한 문제를 해결하려고 시도합니다. 그러나 이러한 접근 방식은 주로 관계형 특징이나 학습된 임베딩에 의존하며, PDDL 설명에 존재하는 텍스트 및 구조적 정보를 활용하지 못합니다. 본 연구에서는 LLM을 사용하여 도메인 및 문제 파일을 분석하고, 추론 전에 잠재적으로 관련 없는 객체, 액션 및 술어를 경험적으로 식별함으로써 추론된 작업의 크기를 크게 줄이는 SPG-LLM을 제안합니다. 7개의 추론이 어려운 벤치마크에서 SPG-LLM은 종종 수 배 빠른 추론 속도를 달성하며, 일부 도메인에서는 비교 가능하거나 더 나은 계획 비용을 제공합니다.

Grounding is a critical step in classical planning, yet it often becomes a computational bottleneck due to the exponential growth in grounded actions and atoms as task size increases. Recent advances in partial grounding have addressed this challenge by incrementally grounding only the most promising operators, guided by predictive models. However, these approaches primarily rely on relational features or learned embeddings and do not leverage the textual and structural cues present in PDDL descriptions. We propose SPG-LLM, which uses LLMs to analyze the domain and problem files to heuristically identify potentially irrelevant objects, actions, and predicates prior to grounding, significantly reducing the size of the grounded task. Across seven hard-to-ground benchmarks, SPG-LLM achieves faster grounding-often by orders of magnitude-while delivering comparable or better plan costs in some domains.